TFF：远程执行器

问题描述

我们正在将Server和Client设置在不同的物理计算机上的联合方案。

在服务器上，我们使用了docker容器来启动：

以上内容是从Kubernetes tutorial借来的。 我们相信这会创建一个“本地执行器” [Ref 1]，有助于创建gRPC服务器[Ref 2]。

参考文献1：

参考2：

接下来，在客户端1上，我们调用了连接到gRPC服务器的tff.framework.RemoteExecutor。

基于上述内容，我们的理解是远程执行器在连接到gRPC服务器的客户端上运行。

假设以上内容正确，我们该如何发送

tff.tf_computation

从服务器到客户端，然后在客户端打印输出，以确保整个设置工作正常。

解决方法

您的理解绝对正确。

如果直接构造一个ExecutorFactory（如上面的代码中的情况），则将其传递给tff.framework.set_default_context将安装您的远程堆栈，作为在TFF运行时中执行计算的默认机制。另外，如果需要，您还应该能够将适当的通道传递给tff.backends.native.set_remote_execution_context来处理远程执行程序的构造和上下文安装，但是您的操作方式当然可以正常工作，并且可以进行更大的自定义。

设置好之后，端到端运行示例应该非常简单。我们将建立一个计算，该计算采用一组联合整数，在客户端上打印，并将这些整数加起来。让：

@tff.tf_computation(tf.int32)
def print_and_return(x):
  # We must use tf.print here,as this logic will be
  # serialized and run on the clients as TensorFlow.
  tf.print('hello world')
  return x

@tff.federated_computation(tff.FederatedType(tf.int32,tff.CLIENTS))
def print_and_sum(federated_arg):
  same_ints = tff.federated_map(print_and_return,federated_arg)
  return tff.federated_sum(same_ints)

假设我们有N个客户；我们只需实例化联合整数集，然后调用我们的计算即可。

federated_ints = [1] * N
total = print_and_sum(federated_ints)
assert total == N

这应该使上面定义的tf.prints在远程计算机上运行；只要tf.print被定向到您可以监视的输出流，您就应该能够看到它。

PS：您可能会注意到上面的联邦总和是不必要的；必然是。只需将身份函数与序列化打印件映射即可达到相同的效果。